في عالم الذكاء الاصطناعي، يعتبر ضمان موثوقية الأنظمة إحدى أولويات تطويرها، حيث يتطلب الأمر قياساً دقيقاً لعدم اليقين. ومن هنا، برز نموذج التنبؤ القابل للتوافق (Conformal Prediction) كأداة أساسية لبناء مجموعات توقعات موثوقة، حيث يوفر ضمانات تغطية يمكن الاعتماد عليها دون الحاجة إلى فرض شروط معينة.

تتعدد مجالات تطبيق هذه التقنيات بدءاً من الرعاية الصحية وصولاً إلى التمويل والمراقبة المحمولة، ولكن العقبة الأساسية تكمن في أن البيانات اللازمة للنموذج، والتي تُعتبر ضرورية للتنبؤات الفعالة، تكون غالباً موزعة على عدة عملاء، كل منهم يمتلك توزيع البيانات الخاص به.

إذن، ماذا لو كانت البيانات التي نحتاجها موزعة على مجموعات مختلفة تعكس خصائص معينة لكل عميل أو سمات ديموغرافية معينة؟ هنا يظهر الابتكار الذي يقدم نموذج التنبؤ القابل للتوافق في صورته الفيدرالية، المعروف باسم GC-FCP (Group-Conditional Federated Conformal Prediction)!

يعتبر نموذج GC-FCP التوسيع الفيدرالي للتعلم القابل للتوافق الشرطي. فبدلاً من تجميع البيانات من جميع العملاء، يقوم النموذج بإنشاء مجموعات صلبة وقابلة للتقليل من الدرجات المحسوبة محلياً، مما يسهل تجميعها في خادم مركزي بشكل فعال عندما تكون عدد الذرات النشطة معتدلة.

وتظهر التجارب التي أُجريت على مجموعة من البياناتSynthetic وReal-world أن GC-FCP يتفوق في الأداء مقارنة بأساليب التنبؤ التقليدية المتمركزة.

لمعرفة المزيد أو لاستكشاف الشيفرة الخاصة بهذا العمل، يمكنكم زيارة رابط المشروع على GitHub. هل أنتم متحمسون لهذا التطور الثوري في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.